ICS-GNN:Lightweight Interactive Community Search via Graph Neural Network

1.问题定义

• 给定一个查询节点，求出此节点所属的社区。社区搜索用途（可以为许多应用提供候选集：friend recommendations，fraudulent graph discover）

2.现存方法缺点

• 1）先爬取大部分的网络数据，然后从中寻找社区，但是爬取的数据很大一部分对终端用户没用。并且不能实时爬取数据，将数据爬取和社区搜索分开。
• 2）使用人工定义的规则评价社区好坏，社区结构是灵活的，不能有效的评估
• 3）根据预定义的规则（k-core，k-truss）在真实的数据中很难发现高质量的社区

3.本文工作

• 从在线网络中实时收集的子图中，定位目标社区
• 将社区问题定义为节点分类问题，通过GNN学习到每个节点基于查询节点的嵌入向量，将向量送入多分类器进行分类，寻找社区，找出的社区通过用户打的标签判定社区好坏，优化损失函数，学习权重参数（Q：每次都是基于特定节点训练的网络，下一次输入另一个不同的查询节点时，基于之前训练的模型得到的嵌入是不是不准确 ）
• 每次迭代中，根据查询节点和标记的节点 ，爬取候选字图，用训练的GNN模型评估节点分数，发现KMG社区，用户评价社区好坏，获得反馈，若训练的模型不佳，根据反馈重新训练网络结构

4.创新点

• 爬取数据和社区搜索交替进行 （？？？）
• 根据查询节点有目标的爬取相关的子图
• 通过深度学习，根据节点的结构和内容特征，学习节点的表示，进而进行分类

5.为什么是轻量级的（Lightweight）

• 爬取和查询节点相关的有用数据子图，降低后序社区搜索的花费
• 只需用户标记节点是否在社区中，传统方法（k-core，k-truss）需要用户不断地调整参数K
• 可以利用已经训练好的关键字（节点的特征）表示，这些关键字已经从大量数据中捕获到了关系

6.文章贡献

• 通过GNN模型结合内容和结构特征，选取GNN得分最大的k-size子图（KMG community）
• 通过BFS和局部边缘增强策略构建候选字图 ，用GNN模型计算每个节点在社区中的概率，通过vertex-swapping 方法定位社区
• 两种优化策略
  在GNN模型中加入基于排序的损失函数 ，简化标记任务（labeling tasks）
  用贪心算法定位KMG社区

7.GNN

• 本质
  捕获内容特性和结构关系来学习节点的高维表示，主要包括两个函数，aggregate function（从不同权重的邻居中聚合embedding，要求聚合结果和输入的邻居节点顺序无关，常见的聚合函数 sum,mean），update function将embedding变形成新的表示（通常通过激活函数进行非线性变换）
  图注：节点嵌入初始化（直接用各个节点的特征矩阵）
  
  图注：利用GCN学习节点嵌入的过程
  

• GNN变体
  给邻居分配权重以及聚合邻居信息时存在差异，产生不同的GNN变体，GCN（聚合所有邻居的信息），GraphSage（对邻居节点抽样操作，不聚合所有邻居），GAT（使用注意力机制确定邻居的权重）